生物特征识别技术是利用人的生理特性结合计算机、生物传感器等高科技对人的身份进行鉴定。随着技术不断成熟,生物特征识别在信息安全、安防、支付等领域,受到越来越多人的关注与青睐。在常用的几种生物特征中,虹膜识别引起了研究者的极大兴趣。虹膜相对于其它的生物特征识别技术具有更复杂、更好的防伪性等一系列优势。从虹膜图像中识别一个人的性别在身份验证、安全监控等各个领域都具有广阔的应用前景,但是根据以往的研究工作发现,单独基于虹膜图像的性别分类准确率并不高。本文基于深度学习,对虹膜图像进行性别分类,以及将眼周图像特征提取并与虹膜图像特征融合,然后将融合都的特征通过SVM进行性别分类,以提高虹膜分类准确率。本文研究内容与创新点如下:针对以往的研究工作因虹膜数据量不足导致识别准确率不高的问题,本文提出了采用数据增强的方法,将虹膜图像进行翻转、裁剪等操作,对虹膜数据集进行扩充,解决了小样本训练容易发生过拟合的问题。本文提出了Res Net-Iris网络,结合迁移学习,在经过预处理的虹膜图像数据集上训练了一个虹膜图像性别分类模型。最终对虹膜所属的性别进行预测,性别的预测准确率达到94.6%。根据以往的研究者对虹膜性别分类工作,单纯使用虹膜图像对性别分类的准确率不够理想,本文提出将眼周图像提取的特征融合到虹膜图像特征中,通过特征融合,然后进行分类,最后得到98.9%的性别分类准确率。设计了一套大视场虹膜性别分类系统,基于训练好的虹膜以及融合后的分类模型,通过摄像头实时对获取的图像进行性别分类。由于存在外界扰动,在系统上实时测试性别分类虹膜分类准确率为90%,特征融合后的图像分类准确率为96%。